lxix Hasil pengujian :
1. Formulasi Hipotesis H
: tidak ada autokorelasi H
1
: ada autokorelasi 2. Dari hasil SPSS, Tabel 4.14 diperoleh nilai dw sebesar 1,814 sedangkan nilai d
u
= 1,77 Tabel Durbin-
Watson dengan n = 87 k = 5, α = 0,05 maka d
u
d 4-d
u
yaitu 1,77 1,814 2,23 yang berarti H diterima sehingga penelitian ini
bebas dari gejala autokorelasi.
3. Uji Heteroskedastisitas
Heterosdekastisitas terjadi karena perubahan situasi yang tidak tergambarkan dalam spesifikasi model regresi. Dengan kata lain, heteroskedastisitas terjadi jika residual
tidak memiliki varian yang konstan. Pemeriksaan terhadap gejala heteroskedastisitas adalah dengan melihat pola diagram pencar scatter plot yaitu grafik yang merupakan
diagram pencar residual, yaitu selisih antara nilai Y prediksi dan Y observasi. a. Model Grafik
Universitas Sumatera Utara
lxx Hipotesis:
1. Jika diagram pencar yang ada membentuk pola-pola tertentu yang teratur maka regresi mengalami gangguan heteroskedastisitas.
2. Jika diagram pencar tidak membentuk pola yang atau acak maka regresi tidak mengalami gangguan heteroskedastisitas.
Gambar 4.2
Sumber : Hasil Penelitian, 2009 SPSS 16.00 Dari Gambar 4. 2 dapat dilihat bahwa diagram pencar tidak membentuk pola oleh
karena itu tidak mengalami gangguan heterokedastisitas. a. Model Glejser
Menentukan kriteria keputusan a Jika nilai signifikansi 0,05, maka tidak mengalami gangguan
heterokedastisitas. b Jika nilai signifikansi 0,05, maka mengalami gangguan heterokedastisitas.
Tabel 4.14
Universitas Sumatera Utara
lxxi
Autokorelasi
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant 3.075
1.783 1.725
.088 X1
-.247 .090
-.348 -2.737
.068 X2
.118 .184
.085 .644
.522 X3
.206 .144
.198 1.428
.157 X4
.156 .095
.209 1.649
.103 X5
-.150 .087
-.206 -1.730
.087 a. Dependent Variable: absut
Sumber : Hasil Penelitian, 2009 SPSS 16.00 Dari Tabel 4.15 tampak bahwa signifikansi setiap variabel bebas lebih besar dari
α
= 0,05, maka tidak mengalami gangguan heterokedastisitas.
4. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Ada dua cara untuk mendeteksi
apakah residual berdistribusi normal atau tidak yaitu dengan analisis grafik dan uji stastistik. Untuk melihat normalitas residual penulis menganalisis grafik histogram yang
membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal dan juga menganalisis probality plot yang membandingkan distribusi kumulatif dai
distribusi normal.
Universitas Sumatera Utara
lxxii Hipotesis:
1. Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal atau grafik histogram menunjukkan pola distribusi normal, maka
model regresi
memenuhi asumsi klasik 2. Jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti arah
garis diagonal atau grafik histogram menunjukkan pola distribusi normal,
maka model regresi tidak memenuhi asumsi klasik.
Gambar 4.3
Sumber : Hasil Penelitian, 2009 SPSS 16.00 Dari Gambar 4.3 menunjukkan bahwa grafik histogram menunjukkan pola distribusi
normal.
Gambar 4.4
Universitas Sumatera Utara
lxxiii Sumber : Hasil Penelitian, 2000 SPSS 16.00
Dari Gambar 4.4 dapat dilihat bahwa data titik-titik menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal. Oleh karena itu, berdasarkan Gambar 4.4
Normal P-P Plot Of Regression Standardized Residual dan Gambar 4.3 maka dapat diambil kesimpulan bahwa telah memenuhi uji normalitas.
Untuk memastikan apakah data di sepanjang garis diagonal berdistribusi normal maka dilakukan uji Kolmogorv Smirnov 1 sample KS dengan melihat data residual apakah
berdistribusi normal Situmorang, et al 59:2008 Menentukan kriteria keputusan :
a Jika nilai Asymp.Sig. 2-tailed 0,05 maka tidak mengalami gangguan distribusi normal.
b Jika nilai Asymp.Sig. 2-tailed 0,05 maka mengalami gangguan distribusi
normal.
Universitas Sumatera Utara
lxxiv
Tabel 4.15
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 87
Normal Parameters
a
Mean .0000000
Std. Deviation 2.09253746
Most Extreme Differences Absolute
.097 Positive
.054 Negative
-.097 Kolmogorov-Smirnov Z
.907 Asymp. Sig. 2-tailed
.383 a.
Test distribution is Normal. b.
Calculated from data
Sumber : Hasil Penelitian, 20089 SPSS 16.00 Pengambilan keputusan:
Pada Tabel 4.15 Terlihat bahwa nilai Asymp.Sig. 2-tailed adalah 0.383. dan diatas nilai signifikan 0,05. Dengan kata lain variabel residual berdistribusi normal.
D. Analisis Regresi Linier Berganda